【语音增强论文解读05】FULLY CONVOLUTIONAL RECURRENT NETWORKS FOR SPEECH ENHANCEMENT

最新推荐文章于 2023-09-06 22:55:32 发布
VIP文章 最新推荐文章于 2023-09-06 22:55:32 发布
阅读量2.6k 收藏
点赞数 1
分类专栏： 语音增强 文章标签： 人工智能 自然语言处理 深度学习 神经网络 音视频
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41893773/article/details/124159199
版权

作者：Maximilian Strake Bruno Defraene Kristoff Fluyt Wouter Tirry Tim Fingscheidt

1. 动机

        在CRN中通过在卷积编码器和解码器之间集成了LSTM，在这样的结构中，对于完全连接的LSTM，必须放弃特征映射中内部表示的组织和对卷积映射的局部结构的关注。由于LSTM输入的特征空间维度，CRN可能会受到限制。

2. 方法

        使用卷积的LSTM代替CRN中完全连接的LSTM，由此产生的网络称为FCRN，并且卷积的LSTM保留了输入特征映射的结构化组织，可以在内部表示语音的谐波，并且使用较少的可训练参数来处理高维特征。使用权重共享较少参数量。

3. CED结构

        如图特征表示的大小在每一层之前和之后给出，feature axis size×time axis size×number of feature maps, 其中time axis size大小始终设置为 1，使网络能够处理单帧数据。feature axis size和输入number of feature maps分别由 M 和 C 决定。feature axis上的步长为2，

4. 卷积LSTM

最低0.47元/天 解锁文章
怕鸭鸭不怕
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
LSTM及其在语音识别中的应用
12-03
经过几十年的研究与发展，语音识别建立了以隐马尔可夫模型（Hidden Markov Models，HMM）为基础的框架。近几年，在HMM基础上深度神经网络(Deep Neural Network，DNN)的应用大幅度提升了语音识别系统的性能。DNN将每一帧语音及其前后的几帧语音拼接在一起作为网络的输入，从而利用语音序列中上下文的信息。DNN中每次输入的帧数是固定的，不同的窗长对最终的识别结果会有影响。递归神经网络（Recurrent neural network，RNN）通过递归来挖掘序列中的上下文相关信息，在一定程度上克服了DNN的缺点。但是RNN在训练中很容易出现梯度消失的问题，无法记忆长时信息。长短期记忆单元（Long Short-Term Memory，LSTM）通过特定的门控单元使得当前时刻的误差能够保存下来并选择性传给特定的单元，从而避免了梯度消失的问题。本文对RNN及LSTM的基本原理进行了介绍，并且在TIMIT语音数据库上进行了实验。实验结果表明，LSTM型递归神经网络在语音识别上的可以取得较好的识别效果
A Convolutional Recurrent Neural Network for Real-Time Speech Enhancement（2018）
afanti_1的博客
05-28 895
一种用于实时语音增强的卷积递归神经网络（2018）
【语音增强论文解读 02】DCCRN: Deep Complex Convolution Recurrent Network for Phase-AwareSpeech Enhancement
qq_41893773的博客
04-03 5353
作者：Yanxin Hu,Yun Liu,Shubo Lv,Mengtao Xing,Shimin Zhang,Yihui Fu,Jian Wu,Bihong Zhang, Lei Xie 文末附论文地址及其开源代码地址 1. 动机 卷积循环网络（CRN）集成了卷积编码器-解码器（CED）结构和长短期记忆（LSTM），已被证明有助于复杂目标，为了更有效地训练复杂目标，在本文中提出了一种新的网络结构称为深度复杂卷积循环网络（DCCRN）。 2. 方法 ...
卷积神经网络语音识别_科研人员提出一种基于卷积循环神经网络的单通道渐进语音增强方法...
weixin_29383429的博客
12-18 212
在复杂的声学应用场景中，语音信号易受到环境噪声与房间混响的影响，给自动语音识别和语音通信带来较大的干扰。尽管目前基于深度学习的单通道语音增强方法可有效抑制干扰成分，但这些方法的网络参数量较大且运算复杂度较高，难以应用于低功耗设备。对此，中国科学院声学研究所噪声与振动重点实验室研究生李安冬、研究员郑成诗等，提出一种基于卷积循环的单通道渐进语音增强方法，在保持增强性能不变的前提下，减小了参数量并降低了...
论文研究8 ：MULTIPLE-TARGET DEEP LEARNING FOR LSTM-RNN BASED SPEECH ENHANCEMENT
qq_43473149的博客
12-15 773
论文研究8 ：MULTIPLE-TARGET DEEP LEARNING FOR LSTM-RNN BASED SPEECH ENHANCEMENT ABSTRACT 在这项研究中，我们探索了用于语音增强的长短期记忆循环神经网络（LSTM-RNN）。 首先，提出了一种从噪声到清晰语音特征的直接映射的回归LSTM-RNN方法，并被证明比基于深度神经网络（DNN）的回归技术在建模长期声学环境方面更为有效。 然后，对建议的基于直接映射的LSTM-RNN和基于理想比率掩码（IRM）的LSTM-RNN进行了全面比较。
matlab语音用频谱代码-speech-phase-reconstruction:用于语音增强的STFT相位重建
06-16
matlab语音使用代码代码用于语音增强的 STFT 相位重建 该算法估计基础语音信号的相位谱。 语音的浊音部分使用谐波模型建模。 作为先决步骤，估计浊音的基频。 相位重建算法可以仅使用基频和噪声信号来增强语音。 后来我通过对 STFT 使用间距同步窗口大小而不是恒定窗口大小来改进此算法。 这使得相位谱的估计更快、更准确。 访问 看看它是如何工作的。 参考 用于实现该算法的 MATLAB 代码利用了： 迈克布鲁克斯。 VOICEBOX：MATLAB 的语音处理工具箱（）。 IoSR Matlab 工具箱 ()。
语音增强相关技术综述
爱学习爱运动的专栏
08-20 2499
1 非监督语音增强技术 2 监督语音增强技术 3 github上提供的源代码及分析 3.1 Dual-signal Transformation LSTM Network https://github.com/breizhn/DTLN 用于实时噪声抑制的堆叠双信号变换 LSTM 网络 (DTLN) 的 Tensorflow 2.x 实现。 这个存储库提供了在 python 中训练、推断和服务 DTLN 模型的代码。 它还提供了 SavedModel、TF-lite 和 ONNX 格式的预训练模型，可用作您
【语音增强论文解读 01】 A Convolutional Recurrent Neural Network for Real-Time SpeechEnhancement
qq_41893773的博客
03-30 2758
作者：Ke Tan, DeLiang Wang 文末附文章地址与开源代码地址 1. 动机 语音增强的许多实际应用，如助听器和人工耳蜗都需要无延迟或低延迟的实时处理、 2. 方法 受CRN工作的启发，开发了一种全新的CRN架构，用于实时进行与噪声和说话者无关的语音增强。CRN 结合了因果卷积Encoder-Decoder和LSTM。在实时处理中，语音增强框架不能利用未来帧的语音，所以采用了因果卷积的Encoder-Decoder。使用LSTM的主要目的是处理噪声泛化和说话人泛化。 3. 网络架构
【语音增强论文解读 03】TCNN: TEMPORAL CONVOLUTIONAL NEURAL NETWORK FOR REAL-TIME SPEECHENHANCEMENT IN THE TIME
qq_41893773的博客
04-05 4226
作者：Ashutosh Pandey and DeLiang Wang 文末附文章地址及其开源代码地址 1.动机 尽管使用 T-F 表示是最流行的方法，但它也有一些缺点。首先，这些方法通常忽略干净的相位信息，并使用噪声相位进行时域信号重建。 2.方法 受成功实现用于序列建模的 TCNN 以及基于编解码器架构的时域语音增强的有效性的启发，建议将它们结合起来以获得实时增强系统。所提出的模型具有基于编码器-解码器的架构，该架构由因果卷积层组成。在编码器和解码器之间插入一个...
论文阅读笔记Saliency Detection with Recurrent Fully Convolutional Networks
qq_33964352的博客
11-20 2574
 摘要     深度网络已经被证明可以编码高级语义特征，并在显着性检测中提供卓越的性能。 在本文中，我们通过使用循环完全卷积网络（RFCN）开发新的显着性模型更进一步。此外，循环体系结构使我们的方法能够通过纠正其先前的错误自动学习优化显着性映射。 为了训练具有多个参数的这样的网络，我们提出了使用语义分割数据的预训练策略，其同时利用对分割任务的强有力的监督以进行更好的训练，并使网络能够捕获对象的通...
Convolutionalneural networks with intra-layer recurrent connections for scene labeling
02-08
Convolutionalneural networks with intra-layer recurrent connections for scene labeling
Convolutional Maxout Neural Networks for Speech Separation
02-22
Convolutional Maxout Neural Networks for Speech Separation
Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting
02-08
Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting
Bidirectional Recurrent Convolutional Networks for Multi-Frame Super-Resolution
02-10
Bidirectional Recurrent Convolutional Networks for Multi-Frame Super-Resolution
【论文翻译】语音增强：基于深度神经网络的语音增强实验研究 2014
differencer的博客
09-19 1231
本文提出了一种基于回归的语音增强框架，该框架使用具有多层深度架构的深度神经网络（DNN）。在DNN学习过程中，大的训练集确保了强大的建模能力，以估计从观察到的噪声语音到期望的干净信号的复杂非线性映射。声学背景被发现可以改善语音的连续性，从而成功地从背景噪声中分离出来，而不存在常规语音增强算法中常见的令人讨厌的音乐伪影。在多条件训练下进行了一系列先导实验，使用超过100小时的模拟语音数据，即使在不匹配的测试条件下也具有良好的泛化能力。
论文翻译：2022_DeepFilterNet2: Towards Real-Time Speech Enhancement On Embedded Devices For Fullband Audi...
凌逆战的博客
11-16 2215
博客地址：凌逆战 论文地址：DeepFilternet2: 面向嵌入式设备的全波段音频实时语音增强 论文代码：https://github.com/Rikorose/DeepFilterNet 引用格式：Schröter H, Rosenkranz T, Maier A. DeepFilterNet2: Towards Real-Time Speech Enhancement on Embed...
自用学习论文之CRN
最新发布
budangdiyi的博客
09-06 186
语音新手入门，学习读懂论文。本文作者机构是美国俄亥俄州立大学认知与脑科学中心、汪德亮老师等。
[语音增强论文解读 06】Real-time Monaural Speech Enhancement WithShort-time Discrete Cosine Transform
qq_41893773的博客
04-18 757
作者：Qinglong Li, Fei Gao, Haixin Guan, and Kaichi Ma 1. 动机 最近，一些研究提出了复值模型并实现了最先进的性能，例如深度复杂卷积循环网络（DCCRN）。但是，模型的计算量很大。 2. 方法 为了降低复杂度并进一步提高性能，在本文中提出了一种使用离散余弦变换作为输入的新方法，称为深度余弦变换卷积循环网络（DCTCRN）。 3. 模型 DCTCRN 模型如下图所示： 3.1 训练目标 在训练阶段，DCTCRN 使用信号逼近方法来估计理想余
fully convolutional networks for semantic segmentation
03-17
完全卷积网络（Fully Convolutional Networks, FCN）是用于语义分割的一种深度学习模型。它通过将全连接层替换为卷积层来保留输入图像的空间信息，并通过上采样或反卷积操作来恢复高分辨率的分割结果。这种模型在...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值